[發(fā)明專利]基于孿生注意力融合網(wǎng)絡(luò)的遙感圖像變化檢測(cè)方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110765132.3
• 申請(qǐng)日: 2021-07-06
• 公開（公告）號(hào): CN113469074A
• 公開（公告）日: 2021-10-01
• 發(fā)明（設(shè)計(jì)）人: 陳璞花;孫杰;焦李成;劉芳;李玲玲;張向榮
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 高博

1.一種基于孿生注意力融合網(wǎng)絡(luò)的遙感圖像變化檢測(cè)方法，其特征在于，包括以下步驟：

S1、對(duì)雙時(shí)相遙感圖像進(jìn)行預(yù)處理；

S2、將步驟S1預(yù)處理后的雙時(shí)相遙感圖像制作成訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；

S3、構(gòu)建孿生注意力融合網(wǎng)絡(luò)SE-Siam-Resnet；

S4、使用步驟S2制作的訓(xùn)練數(shù)據(jù)集訓(xùn)練步驟S3搭建的孿生注意力融合網(wǎng)絡(luò)；

S5、將步驟S2制作的測(cè)試數(shù)據(jù)集輸入步驟S4訓(xùn)練好的孿生注意力融合網(wǎng)絡(luò)中，根據(jù)輸出的結(jié)果確定輸入遙感圖像對(duì)的中心像素是否變化，完成遙感圖像變化檢測(cè)。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟S1中，讀入同一地理區(qū)域、不同時(shí)向的兩張遙感圖像，使用輻射校正方法對(duì)兩張遙感圖像進(jìn)行預(yù)處理。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟S2中，采用隨機(jī)采樣的方式從標(biāo)簽圖像中獲取400個(gè)變化像素和1600個(gè)未變化像素，然后以篩選的2000個(gè)像素為中心，從校正后的雙時(shí)相遙感圖像中裁剪尺寸均為10×10的成對(duì)圖像塊，作為訓(xùn)練數(shù)據(jù)集；

按照順序?qū)⑦b感圖像的前5行向上翻轉(zhuǎn)、后5行向下翻轉(zhuǎn)、左5列向左翻轉(zhuǎn)、右5列向右翻轉(zhuǎn)，以翻轉(zhuǎn)前的遙感圖像的每個(gè)像素為中心裁剪成對(duì)的圖像塊，作為測(cè)試數(shù)據(jù)集；

訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集的圖像對(duì)的標(biāo)簽為數(shù)值0和1，分別代表圖像對(duì)的中心像素點(diǎn)是未變化像素點(diǎn)或變化像素點(diǎn)。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟S3中，構(gòu)建孿生注意力融合網(wǎng)絡(luò)具體為：

S301、搭建兩個(gè)分支網(wǎng)絡(luò)，分別提取雙時(shí)相遙感圖像的特征；

S302、在步驟S301搭建的兩個(gè)分支網(wǎng)絡(luò)之間添加SE注意力機(jī)制，構(gòu)建SE注意力融合模塊；

S303、在步驟S301搭建的兩個(gè)分支網(wǎng)絡(luò)的末端添加分類器，由兩個(gè)分支網(wǎng)絡(luò)、SE注意力融合模塊和分類器構(gòu)成孿生注意力融合網(wǎng)絡(luò)。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，步驟S301中，每個(gè)分支網(wǎng)絡(luò)均由殘差模塊堆疊而成；在每個(gè)分支網(wǎng)絡(luò)中，將輸出相同尺寸特征圖像的殘差模塊記為一組，使用的分支網(wǎng)絡(luò)中包含3組，每組包含5個(gè)殘差模塊；兩個(gè)分支網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)相同，共享同一組網(wǎng)絡(luò)參數(shù)。

6.根據(jù)權(quán)利要求4所述的方法，其特征在于，步驟S302中，兩個(gè)分支網(wǎng)絡(luò)的同一位置有一對(duì)參數(shù)共享的殘差模塊，作為孿生殘差模塊；SE注意力融合模塊在孿生殘差模塊之間加入SE注意力機(jī)制，并與孿生殘差網(wǎng)絡(luò)共同構(gòu)成SE注意力融合模塊。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，SE注意力融合模塊首先將殘差特征圖像F1和殘差特征圖像F2沿通道維度拼接形成維度是H×W×2C的特征圖像V₁；然后壓縮模塊使用全局平均池化將特征圖像V₁壓縮成維度為1×1×2C的特征向量V₂；特征向量V₂前C個(gè)元素對(duì)應(yīng)特征圖像F1的通道信息，特征向量V₂后C個(gè)元素對(duì)應(yīng)特征圖像F2的通道信息；

SE注意力融合模塊的激發(fā)模塊通過兩個(gè)全連接層建立各個(gè)通道的聯(lián)系，并重新為通道分配權(quán)重；激發(fā)模塊的第一個(gè)全連接層將通道數(shù)由2C變?yōu)镃/4，縮放系數(shù)為8；激發(fā)模塊的第二個(gè)全連接層輸出維度為1×1×C的特征向量V₃；

SE注意力機(jī)制對(duì)殘差特征圖像F1和殘差特征圖像F2的所有通道建模，學(xué)習(xí)所有通道之間的相關(guān)性信息；SE注意力融合模塊將特征向量V₃分別與殘差特征圖像F1和F2相乘，輸出結(jié)果F1′和F2′表示通過注意力機(jī)制融合后的殘差特征圖像；SE注意力融合模塊包含兩個(gè)輸出，輸出特征圖像分別為I1通過跳躍連接后與F1′相加，I2通過跳躍連接后與F2′相加。